Fugu-MT 論文翻訳(概要): Algorithm for Interpretable Graph Features via Motivic Persistent Cohomology

論文の概要: Algorithm for Interpretable Graph Features via Motivic Persistent Cohomology

arxiv url: http://arxiv.org/abs/2512.20311v1
Date: Tue, 23 Dec 2025 12:29:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-24 19:17:49.867341
Title: Algorithm for Interpretable Graph Features via Motivic Persistent Cohomology
Title（参考訳）: モチビック永続コホモロジーによるグラフ特徴の解釈アルゴリズム
Authors: Yoshihiro Maruyama,
Abstract要約: 図形アレンジメントによる重み付きグラフの永続的コホモロジー特徴を計算するイベント駆動方式であるクロマティックパーシステンスアルゴリズム(CPA)を提案する。 CPAは最悪の場合指数関数であり、木幅で引き出せる固定パラメータであり、木、サイクル、および直列並列グラフのような一般的なグラフ族に対してほぼ線形である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present the Chromatic Persistence Algorithm (CPA), an event-driven method for computing persistent cohomological features of weighted graphs via graphic arrangements, a classical object in computational geometry. We establish rigorous complexity results: CPA is exponential in the worst case, fixed-parameter tractable in treewidth, and nearly linear for common graph families such as trees, cycles, and series-parallel graphs. Finally, we demonstrate its practical applicability through a controlled experiment on molecular-like graph structures.
Abstract（参考訳）: CPA(Chromatic Persistence Algorithm)は,計算幾何学の古典的対象である図形アレンジメントを通じて重み付きグラフの永続コホモロジー的特徴を計算するイベント駆動型手法である。 CPAは最悪の場合指数関数であり、木幅で引くことができる固定パラメータであり、木、サイクル、および直列並列グラフのような一般的なグラフ族に対してほぼ線形である。最後に,分子状グラフ構造を制御した実験により,その実用性を示す。

関連論文リスト

Continuous Product Graph Neural Networks [5.703629317205571]
複数のグラフ上に定義されたマルチドメインデータは、計算機科学の実践的応用において大きな可能性を秘めている。 TPDEGの自然な解として現れるCITRUS(Continuous Product Graph Neural Networks)を紹介する。我々は、CITRUSをよく知られた交通・時間天気予報データセットで評価し、既存の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2024-05-29T08:36:09Z)
Differentiable Proximal Graph Matching [40.41380102260085]
微分可能近位グラフマッチング(DPGM)と呼ばれる近位演算子に基づくグラフマッチングアルゴリズムを提案する。アルゴリズム全体をグラフ親和性行列からノード対応の予測への微分可能な写像とみなすことができる。数値実験により、PGMは様々なデータセット上で既存のグラフマッチングアルゴリズムより優れていることが示された。
論文参考訳（メタデータ） (2024-05-26T08:17:13Z)
Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文参考訳（メタデータ） (2023-11-29T12:48:33Z)
Scalable Bayesian Structure Learning for Gaussian Graphical Models Using Marginal Pseudo-likelihood [2.312692134587988]
連続時間(生死)および離散時間(可逆ジャンプ)マルコフ連鎖モンテカルロ(MCMC)アルゴリズムを開発し、グラフ空間の後方を効率的に探索する。アルゴリズムは巨大なグラフ空間にスケールし、1000以上のノードを持つグラフの並列探索を可能にする。
論文参考訳（メタデータ） (2023-06-30T20:37:40Z)
A Multi-scale Graph Signature for Persistence Diagrams based on Return Probabilities of Random Walks [1.745838188269503]
トポロジ的特徴のロバスト性を高めるために,マルチスケールグラフシグネチャ群の利用について検討する。このセット入力を処理するためのディープラーニングアーキテクチャを提案する。ベンチマークグラフ分類データセットの実験により,提案したアーキテクチャは,他の永続的ホモロジーに基づく手法よりも優れていることが示された。
論文参考訳（メタデータ） (2022-09-28T17:30:27Z)
Generalized Dirichlet Energy and Graph Laplacians for Clustering Directed and Undirected Graphs [2.4118754741048987]
有向グラフのクラスタリングは、エッジ接続の非対称性のため、依然として根本的な課題である。我々は、古典的なディリクレエネルギーを拡張する新しいエネルギー汎関数である一般化ディリクレエネルギー(GDE)を導入する。本稿では,弱連結なダイグラフのクラスタリングを可能にする一般化スペクトルクラスタリング(GSC)手法を提案する。
論文参考訳（メタデータ） (2022-03-07T09:18:42Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文参考訳（メタデータ） (2020-07-07T16:51:39Z)
Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文参考訳（メタデータ） (2020-06-29T01:01:42Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。